流失用户运营=流失用户召回？肯定不是！如果你没有经过系统化地去分析流失用户放弃你家产品的原因，去针对这些原因做出运营行为，只执着于用一些促销手段去召回用户，那肯定是无效的。就算真的有召回到一些用户，根本的问题没有解决，用户还是会领了福利就走。

流失用户运营本质是什么？这是用户运营中面临的一个最具挑战的课题。

相信许多企业非常关注这个课题，也许每天运营大boss会盯着用户数据面板大声呵斥：用户流失率为什么这么高？你们在做流失用户的召回工作吗？

这时，许多人回答流失用户运营的本质不就是流失用户召回嘛！

于是，运营人员会煞有介事的搭建一套流失用户运营召回体系。在这套体系的指导下常见的运营场景，是将一段时间内未登陆或购买的用户定义为流失用户；策划召回活动并用push或短信去触达用户。

许多企业的用户运营在重复着这样的工作，但是会发现流失用户的召回概率非常低。一方面，用户流失意味着用户放弃了产品，想把用户再召回无疑变成了一次拉新工作；另一方面，用户流失的原因不清楚，想通过一张券或促销活动文案将用户召回，用户在看到这样的召回短信时往往进行了主动屏蔽。

那么流失用户运营的真正本质是什么？

——其本质就是基于用户大数据分析的流失预警。用户大数据分析需要运营能够将用户的基础画像数据、行为数据、消费数据进行建模并挖掘用户流失特征；流失预警需要运营能够根据用户流失特征准确预测哪些用户面临流失？是平台的高价值用户还是一般价值用户？每种用户流失挽回的策略不同。

我们从三个方面来探讨用户流失预警体系如何搭建。

一、流失预警建模原理

首先我们来明晰流失预警的原理：

• 首先建立一个观察窗口。通过搜集、分析用户历史数据表现，包括登陆频次、登陆时长、浏览时长、浏览深度、跳出率、下单频次等用户行为数据确定一个观察窗口，观察窗口期内可以通过流失定义来确定一批已知流失用户。
• 其次建立一个表现窗口，通过建立用户大数据模型来分析已知流失用户画像特征、消费行为特征、用户生命周期特征来建立流失规则集，并不断优化模型提升预测的覆盖率和命中率。
• 再次建立预测窗口，在未来几周或几个月内，通过模型对尚未明确流失的用户进行预测，并建立流失评分体系，通过评分规则打上相应流失标签，比如：高风险流失用户、中风险流失用户、低风险流失用户。

上图是接下来要搭建流失预警模型的一个原理图，做流失预测分析，我们从大数据角度一一剖析：

在观察期窗口，我们需要从历史数据库里挖掘一批样本数据用户，并完善流失评价维度，在这个阶段，流失评价维度需要全方位用户字段数据，以方便接下来建模过程中，由模型通过多元算法评价各维度与流失的关系并做排序处理。

在表现期窗口，需要搭建最终的流失预测模型，模型通过观察期样本数据用户进行训练，判断已知流失用户有哪些？

这个时候从几方面来评价模型的准确度：

• 命中率：在对用户流失进行预测的时候，假设训练集中的用户10%为流失用户，其余都为留存用户。模型在输出的结果中，所有预测流失用户中实际流失的百分比，百分比越接近真实流失比例，证明此模型训练的效果越好。
• 查全率：假设我们通过数据挖掘给出业务部门一个20人的流失名单，结果该名单中16人确实流失了，这个模型的查准率达到了80%，相当不错，可是问题是最终流失用户是1000名，这时业务部门不干了，模型预测的结果离实际业务情景十万八千里。这个时候模型需要引入一个指标是查全率，该指标也叫做模型覆盖率，也就是模型在输入大数据后，能够更加全面的覆盖到我们需要找到的流失用户。

在预警期窗口，我们最终通过样本数据建立起流失预测模型，并通过数据不断训练，使模型的查准率和查全率得到有效提升。接下来我们可以预测下个月或下个季度用户流失名单，需要将全量用户数据导入模型，获得一个流失规则的评分集或者规则集，并为用户打标进行精准的分层运营。

二、流失预警模型搭建

为了更好阐述模型搭建思路，我们虚拟一个案例：某电信运营商为减少客户流失，需要通过用户流失预警模型来预测用户的流失概率，我们通过虚拟数据来确定建模样本数据，筛选了以下数据字段：

我们在拿到样本数据后开始训练模型，针对用户流失预警在建模思路方面有三种算法：

1. cox生存模型：这个模型算法最大的作用是可以分析各个用户变量与流失的关系，并通过生存算法预测出不同用户在未来流失概率。
2. 决策树模型：可以提供不同流失的规则集，用户运营可以通过流失规则快速分层用户并进行运营。
3. 神经网络模型：可以计算每个用户的流失评分，用户运营可以根据评分高低来确定不同流失风险用户的运营策略。

我们这次建模是通过cox生存模型进行预警，后边还会写文章详细阐述另外两种算法模型的应用。模型搭建效果如下：

我们再来看下模型的效果，以下为本次样本分析数据的实际流失客户。

模型个案处理摘要显示 506 个个案已删失。该数字表示尚未流失的客户量，占比72.3%。

（1）哪些维度会影响用户的流失

最终模型计算出强相关的几个影响指标，包括地址、职业、电话卡服务、无线网服务、有线网络服务、电话时长等。

• 地址的 Exp(B) 值表示，对于居住在同一地址的客户，每年的流失风险会降低 100%−(100%× 0.972)=2.8% 。在同一地址居住两年的客户的流失风险会降低 100%−(100%×0.9722)=5.5%。
• 电话卡的 Exp(B) 值表示没有订购电话卡服务的客户流失的风险比率是订购此服务的客户的 2.024 倍。
• 网络服务的 Exp(B) 值表示未订购网络服务的客户流失的风险比率是订购此服务的客户的 0.577 倍。

（2）平均客户的存活曲线

客户存活曲线是“平均”客户的模型预测流失时间的可视化显示。X轴显示事件发生的时间。Y轴显示生存概率。存活曲线上的任何一点表示“平均”客户经过某段时间仍未流失的概率。

通过模型输出的结果，我们可以看到随着入网年限的增加，用户的平均生存概率随之下降，当入网年限达到56个月后，曲线形成块状不在平滑，客户生存概率急速下降。那本次案例做用户流失预警的窗口值可以确定为56个月。

确定窗口值后，我们可以将从数据库中筛选入网时长56个月及以上的用户数据输入模型，预测在未来一个季度或不同季度的流失概率。

（3）模型输出流失用户评分及名单

在模型最底部，我们有一条数据流做流失名单的预测：

如果我们对模型感到满意，那么我们会希望对客户进行评分以确认下一年一个季度内最可能流失的客户。

图中分别是第一季度预测流失27名用户、第二季度预测流失104名用户、第三季度预测流失162名用户，最后一个季度流失213名用户。

从模型导出的明细表中我们可以看到每一个用户的流失概率评分，如何通过流失评分来判断流失倾向，需要用到模型里的累计增益图功能，当然篇幅受限就不在文章里一一细讲，大家可以在我的视频教程《用户生命周期spss数据建模及营销》里获得详细教程讲解。

三、用户分层运营和数据监测

用户标签的意义在于丰富用户运营的场景。

我们通过用户流失预警模型可以获得不同流失风险用户的标签，如果针对单维度用户标签做运营会存在分组用户过多营销资源有限的情况，因此，实际运营中，我们需要建立一套良好的用户分层机制和push机制，做到千人千面个性化营销。

用户分层可以通过多维度交叉实现：

在做日常用户分层运营策略，我们以用户生命周期、用户价值、用户流失预警进行交叉，可以实现多个有营销意义的分组。

不同分组的营销策略不累述，在之前文章《用一个实战案例讲解用户画像如何应用》相应讲了不同分组用户如何进行画像，基于画像特征制定不同分组用户的营销策略。

再者就是要做好分组用户的可视化监测：

我们通过这张可视化报表可以了解到做整个用户运营数据BI报表体系，以用户生命周期为框架，动态监测不同生命周期用户的潜力表现和风险表现。

通过风险预警模型输出不同流失风险水平的用户，分布为高流失风险、中流失风险、低流失风险，再结合生命周期的不同标签和用户价值不同的标签，可以分组更多有营销场景意义的用户，比如高流失风险成熟期的高价值用户，这个用户分组以后进行相应的push计划和可视化监测即可。

以上我们阐述了用户流失预警体系的搭建方法，用户运营从大体系来讲，用户建模是基础，用户画像标签的输出离不开模型的支撑，运营掌握一门建模技术方能做好用户运营。

作者：赵文彪，微信公众号：用户运营观察（ID：yunyingguancha），某社区o2o平台用户运营负责人，7年互联网运营经验，乐于干货分享，欢迎交流学习

本文由 @赵文彪 授权发布于运营派。未经许可，禁止转载

题图来自Unsplash，基于CC0协议